当我们使用算法提出建议时,我们通常认为这些建议是提供有用的信息,例如在向法官或医生提供风险评估时。但是,当决策者获得建议时,他们不仅可以对信息做出反应。决策者可以将建议视为默认行动,使他们偏离偏差,例如,当法官不愿推翻对被告的高风险评估或医生担心偏离建议程序的后果时。在本文中,我们考虑建议不仅通过转移信念,而且通过改变偏好来影响选择的效果和设计。我们激励我们的模型从制度因素(例如避免审核的愿望)以及行为科学中建立的模型中的渴望,这些模型相对于参考点,这些模型预测了相对于参考点的损失厌恶,这是由算法设定的。我们表明,与建议有关的偏好造成了效率低下的效率,而决策者对建议过于响应,这改变了算法的最佳设计,以提供较不保守的建议。作为一种潜在的补救措施,我们讨论了一种算法,该算法从战略上扣留建议,并展示如何提高最终决策的质量。
translated by 谷歌翻译